Negli ultimi anni il dibattito sull’intelligenza artificiale ha oscillato tra scenari apocalittici e promesse di produttività. Lo studio di Anthropic introduce una misura pratica, chiamata Observed Exposure, che mette in rapporto le capacità teoriche dei LLM con il loro impiego concreto nelle aziende. Questo approccio evita di confondere ciò che un modello può fare nella teoria con ciò che effettivamente viene usato nella pratica attraverso tool come Claude.
L’analisi rivela dati sorprendenti: in molti casi l’AI è già impiegata per automatizzare compiti, ma l’adozione reale procede a velocità diversa rispetto al potenziale tecnico. Per esempio, in certi ambiti tecnici e matematici la capacità teorica di automazione sfiora il 94%, mentre l’uso osservato si attesta intorno al 33%. Il risultato è un mercato che non licenzia in massa, ma tende a ridurre l’assunzione di giovani per ruoli ripetitivi.
Quali professioni risultano più esposte
La classifica costruita sui dati di utilizzo reale indica che molte professioni tradizionalmente considerate «protette» sono oggi vulnerabili. Tra le posizioni con maggiore esposizione osservata si segnalano: computer programmers (74,5%), customer service representatives (70,1%), data entry keyers (67,1%), medical record specialists (66,7%), market research analysts (64,8%), wholesale and manufacturing sales reps (62,8%), financial and investment analysts (57,2%), software QA analysts (51,9%), information security analysts (48,6%) e computer user support specialists (46,8%). Questi numeri derivano dall’incrocio tra l’uso di Claude in azienda e le stime di fattibilità tecnica dei task.
Cosa significa per marketing e tecnologia
Nel mondo del marketing i market research analysts sono particolarmente colpiti perché gran parte della raccolta, sintesi e primo livello di analisi dei dati può essere delegata a un LLM. Nel settore tech, invece, i programmatori e gli analisti QA vedono spostarsi il valore dal codice «esecutivo» alla supervisione, alla revisione e al debugging prodotto dall’AI. In pratica, il profilo professionale richiesto muta: meno esecuzione pura, più capacità di interpretare e orchestrare risultati generati dall’AI.
La metrica Observed Exposure: struttura e fonti
L’Observed Exposure non è una semplice stima teorica: combina tre elementi chiave. Primo, le stime di fattibilità tecnica che indicano cosa un modello può fare; secondo, i dati reali di utilizzo raccolti nell’Anthropic Economic Index; terzo, le mappe occupazionali di O*NET e le stime pubblicate da Eloundou et al. (2026). La metrica assegna peso 1x ai task completamente automatizzati e 0,5x ai task in modalità augmentation, sottolineando che l’automazione piena ha un impatto occupazionale superiore a un supporto aumentativo.
Dati salienti e interpretazione
Tra gli insight quantitativi emergono numeri chiave: il 97% degli usi osservati di Claude riguarda task teoricamente fattibili, il 68% è costituito da attività completamente fattibili mentre solo il 3% riguarda impieghi impropri. Questo suggerisce che l’AI viene usata principalmente per ciò che sa fare bene, spostando la questione sul ritmo di adozione organizzativa più che sulla tecnologia in sé.
Chi è più a rischio e quali competenze sviluppare
La ricerca indica un paradosso: gli occupati più esposti tendono a essere più istruiti e meglio pagati. I profili ad alta esposizione guadagnano mediamente il 47% in più e hanno maggior probabilità di possedere una laurea magistrale. Sul fronte demografico si registra una maggiore presenza femminile tra le professioni a rischio. Inoltre, le assunzioni di giovani tra i 22 e i 25 anni in ruoli ad alta esposizione sono diminuite del 14-16% rispetto ai trend precedenti, segnale di una minore apertura al ricambio generazionale per compiti automatizzabili.
Per contrastare questo fenomeno emerge un percorso di upskilling in tre direzioni: 1) competenze relazionali come empatia, negoziazione e giudizio contestuale; 2) AI literacy e capacità tecniche per orchestrare strumenti (prompt engineering avanzato, AI orchestration, data literacy), che possono tradursi in premi salariali significativi; 3) adattabilità e apprendimento continuo per reinventare il ruolo professionale man mano che l’automazione cresce.
In concreto, spostare il focus dall’esecuzione alla validazione (review & debugging), adottare pratiche human-in-the-loop per decisioni etiche e legali e imparare a concatenare strumenti di AI sono mosse pragmatiche. Agenzie come Studio Cappello propongono percorsi di AI adoption che integrano strumenti su misura per migliorare performance di marketing e processi aziendali, favorendo profili New-Collar che combinano competenze tecniche e abilità umane.
In sintesi, l’analisi introduce una lente più realistica sull’impatto dell’AI: non si tratta solo di cosa la tecnologia può fare, ma di quanto e come le organizzazioni la adottano. La strategia vincente per i professionisti è quindi quella di diventare supervisori competenti dell’AI, rafforzando competenze relazionali, tecniche e di adattamento continuo.